Sparse Control Synthesis for Uncertain Responsive Loads with Stochastic Stability Guarantees
最近的研究表明,在提供频率响应服务的柔性负载的潜力。然而,在各种天气相关的和最终用户的行为因素的不确定性和可变性往往会影响需求侧控制性能。这项工作解决了这个问题的需求侧控制的设计,以实现负载不确定性下的频率响应。我们的方法涉及建模的负载不确定性,通过随机过程,出现作为乘法和加法的闭环电力系统动态的系统状态。扩展最近开发的随机系统的均方指数稳定性(MSES)的结果,我们制定多目标线性矩阵不等式(LMI)为基础的最优控制综合问题,不仅保证随机稳定性,但也促进稀疏性,提高闭环瞬态性能,并最大限度地允许的不确定性。最大允许(\textit{critical})的不确定性水平和最优随机稳定控制努力之间的基本权衡建立。此外,稀疏控制综合问题被推广到现实的电力系统的情况下,只有部分状态测量。IEEE 39节点系统的详细数值研究表明,闭环随机稳定性能的稀疏控制器在提高负载不确定性下的频率响应,以及说明允许的不确定性和最优控制努力之间的基本权衡。
2021-06-27 cs.SY eess.SY math.DS
Sparse Sensing and Optimal Precision: An Integrated Framework for $\mathcal{H}_2/\mathcal{H}_{\infty}$ Optimal Observer Design
在本文中,我们同时确定最佳的传感器精度和观测器增益,达到指定的精度在状态估计。随着未知的观测器增益,配方参数化的外生输入,对应于传感器噪声的缩放。该缩放的倒数被定义为传感器精度,并且稀疏性通过最小化精度向量的$l_1$范数来实现。在保证状态估计的指定精度的约束下执行优化,状态估计是根据误差动态的$\mathcal{H}_2$或$\mathcal{H}_{\infty}$范数定义的。本文给出的结果被应用于F-16飞机的线性化纵向模型。
2020-06-20 cs.SY eess.SY math.OC
Adaptive sparse grids for time dependent Hamilton-Jacobi-Bellman equations in stochastic control
介绍了随机控制中线性和完全非线性扩散Hamilton Jacobi Bellman方程的半拉格朗日格式中的稀疏网格插值方法。我们证明了引入的方法收敛到黏性解的问题,我们表明,一些潜在的高阶计划可以有效地实现。通过对$2$到$5$维的数值试验,表明确定性方法可以有效地应用于中等维的随机控制。
2014-08-19 math.OC
Vectorized Sparse Second-Order Forward Automatic Differentiation for Optimal Control Direct Methods
针对最优控制直接配置法离散后大规模非线性规划的高效导数计算需求,提出一种利用问题稀疏结构、融合标量与向量节点的向量化稀疏二阶前向自动微分框架,可实现高效并行与优化内存访问,且已开源多阶段问题实现版本。
2025-06-13 cs.SY eess.SY math.OC
Sparse optimal control for infinite-dimensional linear systems with applications to graphon control
本文研究资源受限且网络结构未知的大规模系统控制,提出无限维线性系统稀疏最优控制的 L1 求解充分条件与非凸等价形式,并证明有限网络可由 graphon 极限系统逼近。
2025-07-24 cs.SY eess.SY math.OC
Analysis of Sparse Cutting-planes for Sparse MILPs with Applications to Stochastic MILPs
本文研究了具有稀疏公式的混合整数线性规划(MILP)的稀疏割平面的强度问题。我们研究了三种问题:包装问题,覆盖问题,更一般的MILP与唯一的假设,目标函数是非负的。给定这三种类型之一的MILP实例,假设我们决定要使用的切割平面的支撑,并且将这些支撑上的最强不等式添加到线性规划松弛中。将线性规划松弛的最优目标函数值与这些截集一起称为$z^{cut}$。我们提出了$z^{cut}$的比率和MILP的最佳目标函数值的界限,该界限仅取决于约束矩阵的稀疏结构和所选择的稀疏割的支持,即这些界限是完全数据无关的。这些结果也揭示了两个阶段的随机MILP的强度的具体削减的ECOMO。
2016-01-02 math.OC
Stochastic Proximal Methods for Non-Smooth Non-Convex Constrained Sparse Optimization
本文主要研究随机邻近梯度法优化光滑非凸损失函数与非光滑非凸正则化和凸约束。据我们所知,我们提出的第一个非渐近收敛结果这类问题。我们提出了两个简单的随机邻近梯度算法,一般的随机和有限和最优化问题,具有相同或更高的收敛复杂性相比,目前最好的结果为无约束的问题设置。在一个数值实验中,我们比较我们的算法与当前国家的最先进的确定性算法,并发现我们的算法表现出优越的收敛性。
2019-05-23 math.OC
Nonconvex Sparse Learning via Stochastic Optimization with Progressive Variance Reduction
University of Minnesota Twin Cities(明尼苏达大学双城分校);Johns Hopkins University(约翰斯·霍普金斯大学);Northwestern University(西北大学)
针对基数约束下的稀疏学习问题,提出了一种随机方差缩减优化算法。充分条件下,该算法具有很强的线性收敛保证和最佳的估计精度在高维。我们进一步扩展所提出的算法的异步并行变种与近线性加速比。数值实验表明,我们的算法在参数估计和计算性能方面的效率。
2017-12-23 cs.LG math.OC stat.ML
Sparse Conic Reformulation of Structured QCQPs based on Copositive Optimization with Applications in Stochastic Optimization
在努力开发一种替代方法,传统的稀疏重新,我们将提供一个新的类型的凸重新一类随机二次约束二次最优化问题,类似于Burer的重新制定,但升降机的变量到一个相对较低的维空间。重新制定依赖于一个推广的集完全正矩阵锥。然后,这个锥可以通过内部和外部近似近似,以获得上限和下界,这可能关闭的最优性差距,因此可以给这些稀疏的重新配方的传统,已知的充分条件之外的精确性证书。最后,我们提供了一些数值实验,在那里我们评估的内部和外部近似的质量,从而表明,近似可能确实关闭在有趣的情况下的最优性差距。
2023-01-28 math.OC
Sparse optimal control of networks with multiplicative noise via policy gradient
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文提出了一种基于策略梯度的近优稀疏控制器设计算法,用于处理受乘性噪声影响的复杂动态网络系统,通过多种正则化方案的比较,展示了算法在大规模网络系统中的有效性。
2019-05-28 cs.LG cs.SY eess.SY
A case study on stochastic games on large graphs in mean field and sparse regimes
研究了一类线性二次随机微分对策,其中每个局中人只与给定图中的最近邻直接交互。我们发现一个半显式的马尔可夫平衡的任何传递图,在经验特征值分布的图形的规范化拉普拉斯矩阵。这有利于大人口渐近的各种图序列,与几个稀疏和密集的例子详细讨论。特别地,平均场博弈仅在稠密图的情况下是正确的极限,即,当度数在适当的意义上发散时。即使均衡策略是非局部的,根据所有玩家的行为,我们使用相关衰减估计证明了混沌的传播结果在密集和稀疏的制度,与稀疏的情况下,由于典型的顶点之间的距离很大。在不假设图是可传递的情况下,我们还证明了平均场博弈解可以用于在任何足够密集的图序列上构造分散的近似均衡。
2021-09-23 math.OC math.PR
An Efficient Sparse Identification Algorithm For Stochastic Systems With General Observation Sequences
本文针对随机动态系统稀疏参数辨识问题,提出一种基于最小二乘和自适应阈值的稀疏辨识算法,在弱激励条件下实现有限观测下的正确辨识与几乎必然收敛,无需额外优化且优于 LASSO 等方法。
2024-03-30 math.DS math.OC
Stochastic Mirror Descent for Large-Scale Sparse Recovery
Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学);ENSAE Paris(巴黎国立统计与经济管理学院);CRITEO AI Lab(科韬人工智能实验室)
本文讨论了随机逼近在高维稀疏参数统计估计中的应用。所提出的解决方案减少到解决惩罚随机最优化问题的多级算法的每个阶段,每个问题被解决到规定的精度由非欧几里德复合随机镜像下降(CSMD)算法。假设问题的目标是光滑和二次minorated和随机扰动是次高斯,我们的分析规定的方法参数,确保快速收敛的估计误差(半径的置信球的近似解周围的一个给定的范数)。这种收敛在程序的第一个“初始”阶段是线性的,在第二个“渐近”阶段是次线性的。我们考虑所提出的方法稀疏广义线性回归问题的应用。在这种情况下,我们证明了该算法在弱假设下回归分布的估计误差达到最优收敛。我们还提出了一个数值研究,说明高维模拟数据的算法的性能。
2022-10-23 cs.LG math.OC math.ST
Sparse and Switching Infinite Horizon Optimal Control with Mixed-Norm Penalizations
University of Nottingham(诺丁汉大学);University of Graz(格拉茨大学);Austrian Academy of Sciences(奥地利科学院);Wuhan University(武汉大学)
本文研究了涉及混合准范数的无限时间最优控制问题,通过混合范数增强最优控制的稀疏性和切换特性,并分析了最优控制的存在性和结构性质,采用动态规划方法进行数值实现。
2020-11-16 cs.NA cs.SY eess.SY
Stochastic Games on Large Sparse Graphs
Imperial College London(帝国理工学院)
本文提出了一种大规模稀疏图上随机游戏的框架,研究了纳什均衡的存在性、唯一性和收敛性,以及通过局部弱收敛图序列的近似与重建方法。
2026-02-26 math.OC
Sparse factorization of the square all-ones matrix of arbitrary order
本文研究任意阶全1方阵的稀疏分解,提出了RHB、DSHB及SDS等分解方法,并探讨了其在去中心化平均一致性问题与去中心化优化中的应用。
2024-11-17 math.OC
Linear Convergence of Stochastic Iterative Greedy Algorithms with Sparse Constraints
本文提出两种随机贪心算法变体,用于解决可能非凸优化问题中的稀疏约束,证明了在指定容差内的期望线性收敛性,并展示了在压缩感知、低秩矩阵恢复和协方差矩阵估计中的应用。
2014-07-01 cs.IT cs.NA math.IT
Sparse Perturbations for Improved Convergence in Stochastic Zeroth-Order Optimization
Heidelberg University(海德堡大学)
随机零阶(SZO)方法的兴趣最近在黑盒优化场景中重新燃起,例如对深度神经网络的对抗性黑盒攻击。SZO方法只需要在随机输入点处对目标函数求值的能力,然而,它们的弱点是它们的收敛速度依赖于待求值函数的维数。我们提出了一种稀疏SZO优化方法,该方法将该因子降低到学习过程中随机扰动的预期维度。我们给出了一个证明,证明了这种减少稀疏SZO优化的非凸函数,而不作任何假设的目标函数或梯度的稀疏性。此外,我们提出的实验结果,神经网络MNIST和CIFAR的训练损失和测试精度的收敛速度更快,和一个更小的距离的梯度近似的真实梯度稀疏SZO相比,密集SZO。
2020-06-29 cs.LG math.OC stat.ML
High-Dimensional Stochastic Design Optimization by Adaptive-Sparse Polynomial Dimensional Decomposition
The University of Iowa(爱荷华大学);Georgia Southern University(佐治亚南方大学);San Diego State University(圣地亚哥州立大学)
本文提出了一种自适应稀疏多项式维度分解方法,用于复杂系统的随机设计优化,通过结合自适应稀疏PDD近似与分数函数,提高了统计矩和可靠性分析的效率,展示了在工程问题中的应用潜力。
2016-01-11 cs.NA math.NA math.OC
Controlling the Swarm: Sparse Actuation and Collision Avoidance under Stochastic Delay
Boston University(波士顿大学)
本文提出一个统一的有限N框架,研究随机延迟下领导者-追随者粒子系统的稀疏驱动与碰撞规避问题,通过构建Lyapunov函数解决数学稳定性问题,并展示稀疏驱动在减少控制成本的同时揭示了领导者密度的非单调敏感性。
2026-05-01 math.OC
Infinite horizon sparse optimal control
讨论了一类具有$0<p\leq 1$的$L^p$型代价泛函的无限时域最优控制问题.研究了凸$p=1$情形和非凸$0<p<1$情形下最优控制的存在性,并分析了$L^p$型罚函数所促进的最优控制的稀疏结构.提出了一种动态规划方法来数值逼近相应的稀疏最优控制器。
2016-02-29 math.OC
Sparse plus Low rank Network Identification: A Nonparametric Approach
高维随机过程的建模与辨识在许多领域中普遍存在。特别是,有越来越多的兴趣在建模随机过程的简单和可解释的结构。在许多应用中,如计量经济学和生物医学科学,用几个因子变量来描述随机过程的每个组成部分似乎是很自然的,这些变量是无法观察到的,而且可能是随机过程的几个其他组成部分。这些关系可以通过结构化动态网络以图形方式编码,下文称为“稀疏加低秩(S+L)网络”。寻找S+L网络以及动态模型的问题可以被视为一个系统辨识问题。本文介绍了两种新的非参数方法,用于辨识由S+L网络描述的随机过程的动态模型。这些方法从基于最近引入的内核(例如“稳定样条”,“调谐相关”等)的正则化估计器中获得灵感。数值算例表明了在辨识过程中引入S+L结构的好处。
2016-10-09 math.OC
Sample Efficient Stochastic Gradient Iterative Hard Thresholding Method for Stochastic Sparse Linear Regression with Limited Attribute Observation
NTT DATA Mathematical Systems Inc.(NTT数据数学系统公司);The University of Tokyo(东京大学);RIKEN(理化学研究所)
我们开发了新的随机梯度法,有效地解决稀疏线性回归在部分属性观察设置,学习者只允许观察固定数量的积极选择的属性每个例子在训练和预测时间。结果表明,该方法在特征值约束条件下的误差为$\varepsilon$时,样本复杂度为$O(1/\varepsilon)$,且与现有方法相比,该速率对问题维数有更好的依赖性.特别地,如果最优解的非零分量的最小值不太小,我们提出的{ \it Hybrid}算法的速度可以提高到接近{ \it full information}算法的minimax最优样本复杂度.其核心思想是:(i)通过迭代使用硬阈值算子来配置探索算法,有效地构造无偏梯度估计器;以及(ii)探索和开发算法的自适应组合,用于快速识别最优的支持,并有效地搜索其支持中的最优参数。实验结果验证了我们的理论研究结果和我们提出的方法的优越性。
2018-12-01 cs.LG math.OC stat.ML
Sparse solutions of optimal control via Newton method for under-determined systems
我们致力于寻找无约束非线性最优控制问题的稀疏和最小$\ell_1$范数解.这类最优化问题是非凸的、非光滑的,然而欠定方程的牛顿法的最新版本可以连续地应用于这类问题。
2019-08-27 math.OC
Necessary condition for sparse optimal control problem with intermediate constraints
本文讨论了在时域的中间点定义多个约束的最优稀疏控制问题。对于这类具有中间约束的问题,我们首先建立了一个新的Pontryagin最大值原理,它为这类问题的最优性提供了一阶必要条件。然后,我们宣布并采用一种新的数值算法来达到,在计算上易于处理的方式,从我们的最大值原理给出的必要条件的最佳状态-动作轨迹。包括几个详细的说明性例子。
2020-12-21 math.OC
Stochastic optimization and sparse statistical recovery: An optimal algorithm for high dimensions
University of California, Berkeley(加州大学伯克利分校);Massachusetts Institute of Technology(麻省理工学院)
我们开发和分析随机最优化算法的问题,其中的预期损失是强凸的,和最佳的(近似)稀疏。以前的方法能够利用这两种结构中的仅一种,产生$\order(\pdim/T)$收敛率的强凸目标在$\pdim$维度,和$\order(\sqrt{(\spindex \log \pdim)/T})$收敛率时,最佳的是$\spindex$ -稀疏。我们的算法是基于连续解决一系列的$\ell_1$正则化优化问题,使用Nesterov的双平均算法。我们建立$T$迭代后,我们的解决方案的错误是最多$\order((\spindex \log\pdim)/T)$,与自然扩展近似稀疏。我们的结果适用于本地Lipschitz损失,包括逻辑,指数,铰链和最小二乘损失。借助于统计极大极小的结果,我们证明了我们的收敛速度是最佳的乘法常数因子。我们的方法的有效性也证实了在数值模拟中,我们比较几个基线上的最小二乘回归问题。
2012-07-18 cs.LG math.OC stat.ML
Sparse and Constrained Stochastic Predictive Control for Networked Systems
针对输入有界的Lyapunov稳定线性系的网络控制问题,提出了一类新的控制策略。假设控制信道具有i.i.d.伯努利数据包丢失,系统被假定为受加性随机噪声的影响。我们提出的政策类是仿射在过去的辍学和饱和值的过去的干扰。我们进一步考虑在二次性能指标中加入正则化项,以提高控制的稀疏性。我们演示了如何增加基本的最优化问题与一个恒定的负漂移约束,以确保闭环状态的均方有界性,得到一个凸二次规划定期在线求解。对于控制的任何正界和成功传输的任何非零概率,在所提出的一类政策的滚动时域实施下,闭环工厂的状态都是均方有界的。
2017-06-06 math.OC
FastPart: Over-Parameterized Stochastic Gradient Descent for Sparse optimisation on Measures
本文提出FastPart算法,结合随机梯度下降与随机特征提升测度稀疏优化的CPGD可扩展性,证明了解的全变差有界、O(log(K)/√K)全局收敛率及一阶条件偏差局部控制特性。
2025-09-04 math.OC stat.ML
Sparse control for VCHE with abstract J
Hanoi National University of Education(河内国立师范大学)
研究粘性Camassa-Holm方程的分布式最优控制问题,探讨三种稀疏促进项形式,证明最优解存在性,推导最优条件并分析稀疏参数下的稳定性。
2026-04-03 math.OC
On the unimportance of distant players in sparse stochastic differential network games
Università degli Studi di Padova(帕多瓦大学);Università di Roma Tor Vergata(罗马托尔维尔加塔大学)
本文研究了大规模稀疏随机微分博弈中远距离玩家不重要的现象,通过分析图结构中的邻居数限制,证明在开放环策略中,仅需考虑一定距离内的玩家即可确定最优轨迹,且提供非渐近估计。
2026-04-29 math.AP math.OC math.PR
Stochastic In-Face Frank-Wolfe Methods for Non-Convex Optimization and Sparse Neural Network Training
University of California, Berkeley(加州大学伯克利分校)
Frank-Wolfe方法及其扩展非常适合于提供具有理想结构属性(例如稀疏性或低秩结构)的解决方案。我们引入了一个新的变体的Frank-Wolfe方法,结合Frank-Wolfe步骤和最速下降步骤,以及一个新的修改的“Frank-Wolfe间隙”,以衡量在非凸的情况下收敛。我们进一步扩展这种方法,将在面方向保持结构化的解决方案,以及块坐标步骤,我们证明了计算保证修改后的Frank-Wolfe间隙的所有这些变体。我们特别受到这种方法的应用稀疏属性的神经网络的训练,我们将我们的块坐标方法的问题,$\ell_1$正则化神经网络的训练。我们提出了几个数值实验的结果,人工和真实的数据集证明我们的方法在训练稀疏神经网络的显着改进。
2019-06-09 cs.LG math.OC stat.ML
Distributed Derivative-free Learning Method for Stochastic Optimization over a Network with Sparse Activity
本文研究了通信网络中节点偶发活动的分布式最优化问题。每个主动节点应用某种学习方法来控制其动作以最大化全局效用函数,该全局效用函数被定义为主动节点的局部效用函数之和。研究了效用函数受非加性随机过程扰动的随机最优化问题。我们考虑一个更具挑战性的情况下,学习方法必须只基于效用函数的标量近似,而不是其封闭形式的表达,使典型的梯度下降法不能应用。当网络受到一些随机和时变过程的影响,并且每个节点不能完全了解网络状态时,这种设置是非常现实的。我们提出了一个分布式优化算法,并证明了它几乎必然收敛到最优。在目标函数为强凹函数的条件下,得到了收敛速度.数值结果也证明了我们的主张。
2021-04-19 cs.IT math.IT math.OC
A Globally Optimal Portfolio for m-Sparse Sharpe Ratio Maximization
针对m-稀疏约束下夏普比率优化难题,本文将分式问题等价转化为二次规划,并提出具有收敛速率和全局最优保证的PGA算法。
2024-10-28 math.OC
A Sparse Multi-Scale Algorithm for Dense Optimal Transport
离散最优输运求解器在密集的大问题上不能很好地扩展,因为它们没有明确地利用费用函数的几何结构。在类比连续最优输运,我们提供了一个框架来验证一个离散的运输计划的全局最优性。这允许通过考虑一系列稀疏问题来构造算法来解决大的密集问题。该算法适合与分层多尺度方案相结合。任何现有的离散求解器都可以用作内部黑箱。几个费用函数,包括噪声平方欧几里德距离,显式详细说明。我们观察到显着减少运行时间和内存的要求。
2016-04-18 math.OC
On the switching behavior of sparse optimal controls for the one-dimensional heat equation
考虑一维热传导方程的最优边界控制问题。目标泛函包括一个标准的二次终端观测,一个Tikhonov正则化项与正则化参数$ν$,和$L^1$ -范数的控制,占稀疏。讨论了$ν\ge 0$最优控制的切换结构。在自然假设下,证明了最优控制的切换点集是可数的,且最终时刻是唯一可能的聚点。研究了$ν\searrow 0$切换点的收敛性。
2017-05-10 math.OC
Matching the Statistical Query Lower Bound for $k$-Sparse Parity Problems with Sign Stochastic Gradient Descent
University of California, Los Angeles(加州大学洛杉矶分校);Harvard University(哈佛大学);Kempner Institute at Harvard University(哈佛大学肯普纳研究院)
本文提出在两层全连接神经网络上使用 sign SGD 求解 $k$-稀疏奇偶校验问题,并证明其以 $2^{Θ(k)}$ 个神经元和 $\tilde{O}(d^{k-1})$ 样本复杂度匹配 SQ 下界。
2024-12-06 cs.LG math.OC stat.ML
Unstructured Space-Time Finite Element Methods for Optimal Sparse Control of Parabolic Equations
研究了半线性抛物型方程的最优稀疏控制问题的时空有限元法。该目标是一个标准的二次跟踪型功能,包括一个Tikhonov正则化项和$L^1$规范的控制,占其时空稀疏的组合。我们使用时空Petrov-Galerkin有限元离散相关的离散最优稀疏控制问题的一阶必要的最优性系统。离散化的基础上,采用分段线性有限元同时在空间和时间的变分制剂。最后,用半光滑牛顿法求解由前向-后向状态方程和伴随状态方程组成的离散非线性最优系统。
2020-03-31 cs.NA math.NA math.OC
Frequency Limited $\mathcal{H}_2$ Optimal Model Reduction of Large-Scale Sparse Dynamical Systems
本文主要研究稀疏广义大系统的频率受限$\mathcal{H}_2$最优模型降阶问题。为此,我们需要解两个西尔维斯特方程。本文提出了有效的算法来有效地解决这些问题。这些思想也被推广到指数-1广义系统。使用Python编程语言进行了数值实验,结果表明所提出的技术的近似精度和计算效率。
2021-01-09 math.DS math.OC
A Boltzmann approach to mean-field sparse feedback control
我们研究了大规模多智能体系统的最优控制策略的合成。最优控制设计通过l-1稀疏促进控制惩罚来诱导简约控制干预。研究了瞬时和无限时域稀疏最优反馈控制器。为了规避与大规模基于代理的模型的控制相关的维度问题,我们遵循玻尔兹曼方法。我们生成(子)最优控制信号的动力学限制的多智能体动态,通过采样的最优解相关联的两个智能体动态。数值实验评估所提出的稀疏设计的性能。
2016-11-12 math-ph math.DS math.MP
Stochastic Greedy Algorithms For Multiple Measurement Vectors
单个测量向量(SMV)的稀疏表示已经在各种压缩感测应用中被探索。最近,SMV模型已被扩展到解决多个测量向量(MMV)的问题,其中潜在的信号被假定为具有联合稀疏结构。为了规避$\ell_0$最小化问题的NP-困难性,许多确定性MMV算法以有限的效率求解凸松弛模型。在本文中,我们开发的随机贪婪算法解决联合稀疏MMV重建问题。特别是,我们提出了MMV随机迭代硬搜索保持(MStoIHT)和MMV随机梯度匹配追踪(MStoGradMP)算法,我们还利用迷你搜索技术,以进一步提高其性能。收敛性分析表明,所提出的算法能够收敛速度比他们的SMV同行,即,StoIHT和StoGradMP的级联,在一定条件下。数值实验表明,所提出的算法优越的有效性比他们的SMV同行。
2020-08-22 cs.DS cs.NA math.NA
Fractional, semilinear, and sparse optimal control: a priori error bounds
该研究针对含分数阶半线性椭圆偏微分方程的稀疏最优控制问题,证明最优解存在性与最优性条件,提出两种有限元离散格式并分析其收敛性与先验误差界。
2023-12-13 cs.NA math.NA math.OC
Dynamics of Stochastic Momentum with Sparse Updates in High Dimensions
Google DeepMind & MIT(谷歌DeepMind及麻省理工学院);McGill University & Mila(麦吉尔大学及MILA)
本文通过最小二乘和逻辑回归模型,理论分析了稀疏更新下动量的动力学,揭示了由动量保留时间尺度与学习时间尺度之比决定的相结构,并发现不同令牌稀疏度下的振荡动力学存在谱冲突。
2026-10-19 cs.LG math.OC stat.ML
Sparse Polyak with optimal thresholding operators for high-dimensional M-estimation
Systems Engineering \ A\&M university College Station, TX, USA
本文提出一种改进的Sparse Polyak算法,通过最优阈值运算符在高维M-估计中实现更稀疏和准确的解。
2025-11-22 cs.LG math.OC stat.ML
Assigning Stationary Distributions to Sparse Stochastic Matrices
本文研究带扰动支撑约束的目标平稳分布问题,提出构造同支撑可行解、基于逐分量 $\ell_1$ 范数与线性优化求全局最优稀疏解,并用列生成实现高效求解大规模问题。
2024-04-26 cs.NA math.NA math.OC